[发明专利]一种广告点击率预测方法

说明书

本发明公开了一种广告点击率预测方法，包括以下步骤：获取原始实例数据；对原始实例数据进行预处理；构建基于卷积神经网络和注意力机制的广告点击率预测网络模型；对广告点击率预测网络模型进行训练；对广告点击率预测网络模型进行测试。通过利用卷积神经网络的提取局部特征交互的能力和非线性能力，解决数据过于稀疏的问题；此外，通过在浅层交互特征的基础上进一步利用卷积神经网络进行特征的交互产生3阶或3阶以上的高阶特征，解决了现有广告点击率预测方法仅仅局限于内积计算和外积计算这样的低阶特征的交互；同时，通过引入注意力机制，在生成高阶特征的基础上进一步提取有用特征，降低无用特征对网络的影响。

技术领域

本发明涉及互联网计算广告技术领域，特别涉及一种广告点击率预测方法。

背景技术

随着互联网的广泛普及以及大数据技术的快速发展，使得广告商利用互联网平台进行广告精准营销成为可能。与传统广告相比，在线广告在覆盖范围、灵活性和效果评估等方面拥有得天独厚的优势。在线广告的主要目标之一是在给定预算的情况下，最大化广告商的收益，例如最大化广告的点击次数。因此，在线广告的一个重要环节是对将广告投放到一个曝光机会的用户点击概率进行预测，应尽可能将广告投放到预测点击率高的曝光机会。

现有很多广告点击率预测方法是通过将线性模型和深度学习模型进行融合，来实现预测功能，但是，这些方法存在以下缺陷：(1)这些方法都是以隐式方式学习高阶特征交互，因此缺乏良好的模型可解释性；(2)对于浅层交叉部分也并未做进一步的交叉去学习更丰富的高阶信息，仅仅局限于内积计算和外积计算这样的低阶特征的交互；(3)这些方法都是将原始特征降维的特征向量直接输送到深度神经网络，从理论上讲，深度神经网络能够从原始特征中学习任意特征交互，然而，与原始特征的组合空间相比，有用的相互作用通常是稀疏的，原始特征本就高维和稀疏，高阶的有效交互特征更为稀疏导致直接从大量参数中有效地学习是非常困难的。

发明内容

有鉴于此，本发明提出一种广告点击率预测方法，能够解决现有广告点击率预测方法所存在的更高阶重要交互特征和隐含交互特征生成难、仅仅计算低阶特征的交互，以及数据过于稀疏的技术问题。

本发明的技术方案是这样实现的：

一种广告点击率预测方法，所述方法基于卷积神经网络和注意力机制，具体包括以下步骤：

步骤S1，获取原始实例数据；

步骤S2，对所述原始实例数据进行预处理，生成训练数据和测试数据；

步骤S3，构建基于卷积神经网络和注意力机制的广告点击率预测网络模型，所述广告点击率预测网络模型输入为所述训练数据和测试数据，所述广告点击率预测网络模型输出为广告点击预测概率；

步骤S4，输入所述训练数据对所述广告点击率预测网络模型进行训练；

步骤S5，输入所述测试数据对所述广告点击率预测网络模型进行测试。

作为所述广告点击率预测方法的进一步可选方案，所述原始实例数据包括类别型特征数据和数字型特征数据。

作为所述广告点击率预测方法的进一步可选方案，所述步骤S2中的对所述原始实例数据进行预处理预处理包括以下步骤：

步骤S21，对所述原始实例数据进行缺失补全处理；

步骤S22，对缺失补全处理后的原始实例数据进行排序处理。

作为所述广告点击率预测方法的进一步可选方案，所述步骤S21中的对所述原始实例数据进行缺失补全处理包括以下步骤：

步骤S211，将缺失的类别型特征数据当做一类数据补全并重新编码后生成one-hot向量；

步骤S212，将缺失的数字型特征数据的缺失值用0填充，再归一化到0 到1之间。